HMM模型之序言

相关算法：

                   1.评估：Forward算法----对一个观察系统匹配最可能的系统。对于给定的HMM模型，其生成一个给定的观察序列的概率是多少。                             

                   2.解码：Viterbi算法----对于已生成的一个观察序列确定隐藏状态序列。什么样的隐藏状态序列最有可能生成一个给定的观察序列。

                   3.学习：Forward-Backward算法-----对于已生成的观察序列，决定最合适的HMM模型参数（pi,A,B）。对于一个给定的观察序列样本，什么样的模型最有可能生成改序列，即该模型的参数是多少。

 

HMM模型元素描述：

        1.隐含状态S：事件中可以由当前可视状态可推出的真实状态

        2.可观测状态O：事件中的可视状态

        3.初始状态概率矩阵 pi ：已知的一组概率，系统初始化给定的值

        4.隐含状态转移概率矩阵A：给定前一个状态下的当前状态的概率，即包含了一个隐藏状态到另一个隐藏状态的概率

        5.观测状态转移概率矩阵B（混淆矩阵）：给定HMM模型的某一个隐藏状态，观察到的某个观察状态的概率